본 논문에서는 일반화된 범주 발견(GCD) 문제를 해결하기 위한 새로운 방법인 SPTNet을 제안합니다. GCD는 기존의 레이블이 지정된 클래스(seen class) 이미지로부터 지식을 전이하여 레이블이 지정되지 않은 클래스(seen 및 unseen class) 이미지를 분류하는 것을 목표로 합니다. 기존의 GCD 접근 방식은 대규모 사전 훈련된 모델을 GCD 작업에 적용하는 데 중점을 두었지만, 본 논문에서는 사전 훈련된 모델과의 정렬을 개선하기 위해 데이터 표현 자체를 적용하는 대안적인 관점을 제시합니다. SPTNet은 모델 파라미터(모델 미세 조정)와 데이터 파라미터(프롬프트 학습)를 반복적으로 최적화하는 2단계 적응 방식으로, 특히 공간적 프롬프트 조정(SPT) 방법을 통해 이미지 데이터의 공간적 특성을 고려하여 seen과 unseen 클래스 간에 전이될 수 있는 객체 부분에 더 잘 집중할 수 있도록 합니다. 실험 결과, SPTNet은 기존 GCD 방법보다 우수한 성능을 보였으며, 특히 SSB 데이터셋에서 평균 정확도 61.4%를 달성하여 기존 최고 성능보다 약 10% 향상되었음을 보여줍니다. 이는 백본 아키텍처의 파라미터에 비해 0.117%에 불과한 추가 파라미터만을 사용하여 달성한 결과입니다.
